近年来,银行业更多的提出了个性化定制的口号,市场和用户也期待着更加个性化、更加多样化的产品投入市场为用户所使用。因此,通过用户行为数据分析,进行精确定向,并通过推荐算法,可以更好的拉近商家和用户的距离。而基于海量用户行为数据的分析以及推荐算法的研究,正是当今业界研究的热点问题。本文结合银行卡用户分类及商户推荐这一实际应用场景的特点及需要解决的主要问题,提出了一种基于时间、空间双维度的组合型并行化Item-Based改进推荐算法。本文的研究工作主要在于：通过对用户历史银行卡消费行为进行分析,为用户构建分类模型。同时引入经济学中的长尾效应,更加准确的定向受众群体。同时为了提高效率,通过朴素贝叶斯分类算法对用户进行分类。引入遗忘曲线作为用户消费行为的时间参数,提高了商户推荐的合理性。引入商户的空间集群效应,计算商户间的相似性,同时基于向量空间模型计算商户间的相似性,两者加权得到组合型的方法。基于MapReduce模型对推荐算法进行了并行化,使得在处理海量的用户行为数据时可以更快的完成训练以及推荐。通过实验对比证明,改进后的推荐算法在推荐准确性等方面有不同程度的提高。本文研究的组合型并行化Item-Based改进推荐算法取得的主要成果有：(1) 引入长尾效应对用户进行精确分类,提高推荐的针对性；(2)引入时间(遗忘曲线)、空间参数,提高了推荐结果的准确性,解决了新项目的冷启动问题；(3)基于MapReduce模型,对算法进行并行化改造,提高了算法运行效率。